基于灰色神经网络组合的交通量预测模型应用

基于甘肃高等级公路收费年收入的统计数据,结合其收入和交通量之间的粗略关系,运用bp神经网络预测高等级公路各收费站年收入,从而间接地对高等级公路交通流量进行预测,为提高高速公路的管理与服务水平,对提高高等级公路管理部门的信息感知能力和应急处置能力、提高路网运行效率、建设和谐高等级公路具有极其重要的意义。

引言高速公路交通量预测是高速公路建设项目可行性研究报告的一项重要内容,它是进行交通量现状评价、综合分析建设项目的必要性和可行性的基础,是确定高速公路建设项目的技术等级、工程规模、效益分析的主要依据。同时,其准确率直接关系高速公路投资回报率,甚至影响项目国民经济评价及财务评价。根据调查资料和工程项目的性质选用不同的预测方法,国内、外已提出的各种预测方法多达200种左右,但用于实际操作的较少,如头脑风暴法、专家预测法、

针对基坑变形预测中信息的灰色性和数据的非线性性,提出用灰色神经网络预测基坑变形的新方法。用一桩锚联合支护体系实例进行了预测研究,得到支护体系的不同预测模型的组合预测值。研究结果表明:灰色神经网络预测误差比gm(1,1)预测模型小;与bp预测模型相比,前期误差大,后期误差小。在基坑变形监测中,为了更准确地预测基坑变形,可以采用灰色神经网络预测与bp预测相结合的方法进行预测。

提出了一种基于灰色模型和神经网络组合的短期负荷预测方法。首先利用频域分解消除负荷序列的周期性,然后利用灰色模型计算负荷序列的历史拟合值和未来预测值,将其作为神经网络的输入。在历史数据中选择一天作为基准日,以该基准日的量为参照,以负荷的灰色模型拟合值相对基准日的变化量,以及温度变化量为bp神经网络的输入,实际负荷变化量为输出,训练神经网络并预测待预测日负荷的变化量,加上基准日负荷后得到预测负荷。该方法综合了灰色模型方法和神经网络方法的优点,仿真结果验证了方法的有效性。

针对电力日最高负荷受多种因素影响,变化趋势复杂,难以通过建立准确的数学模型进行预测的问题,提出灰色动态模型对电力日最高负荷进行预测,在此基础上构造了灰色神经网络组合预测模型。该模型避免了变权组合预测模型的主观与繁琐,能有效地将灰色预测弱化数据序列波动性的优点和神经网络较强的非线性适应能力相融合。算例结果表明该方法的可行性和有效性,预测精度也得到了改善。

在深基坑工程施工过程中，基坑周围地表的沉降对周围建筑物、地下管线和支护体系的安全都会造成很大的影响，如何利用对影响基坑周围地表沉降的关联因素的研究并结合基坑周围地表沉降的监测数据来分析得到基坑周围地表沉降量的走势，已成为城市建设中的一个重要的安全课题．以天津市某换乘车站为例，分析影响该基坑周围地表沉降的关联因素，建立灰色预测和bp神经网络组合模型，在“小样本、贫信息”的情况下，得到的预测结果与实际监测值吻合度较高．利用该预测模型可对一些在开挖过程中监测天数相对较少的深基坑工程进行可靠而准确的预测．

为降低船舶交通流量的预测误差,提高预测精度,在分析传统的灰色模型和反向传播(backpropagation,bp)神经网络模型优缺点的基础上,构建灰色神经网络模型预测船舶交通流量.以实际测量值作为初始数据构建不同的灰色模型,各种灰色模型的预测值作为神经网络的输入值,得到最佳预测模型.实例分析表明:灰色神经网络模型可提高预测精度,预测结果比较理想,优于单一预测模型;该模型具有所需初始数据少和非线性拟合能力强的特点,用于船舶交通流量预测是可行和有效的.

利用智能方法对边坡形变进行预测,进而对矿区安全进行评估近年来成为研究的热点。针对边坡形变数据小样本、贫信息、高非线性等特点,本文将灰色理论与神经网络方法相结合构建灰色神经网络,充分利用灰色模型处理小样本和神经网络处理非线性的能力,对矿区边坡形变进行预测。实验分析表明,利用灰色神经网络进行形变预测是正确有效的,预测精度取得了较好的效果。

为了提高电力需求预测的精度,分析现有人工神经网络和灰色预测方法各自的优缺点,将二者相结合提出一种并联灰色神经网络预测方法。新方法首先采用灰色模型、神经网络分别进行预测,而后给出了一种基于粗糙集理论确定权值的方法对加权系数加以确定,最后对预测结果加以组合作为实际预测值。用上述并联灰色神经网络模型对上海市的电力需求进行预测,模型精度和预测结果比较理想,优于单一预测模型。计算结果表明,该模型用于电力需求预测是有效可行的,适用于中长期需求预测。

灰色gm(1,1)预测模型,要求样本数据少,具有原理简单、运算方便、短期预测精度高、可检验等优点,在负荷预测中得到了广泛应用,但是也有其局限性。当数据灰度越大,预测精度越差,且不太适合经济长期后推若干年的预测,在一定程度上是由模型中的参数α造成的,为此引入向量θ,建立残差gm(1,1,θ)模型,利用蚁群优化算法对其进行求解,同时应用神经网络对其预测残差进行优化。实证分析表明,与传统的预测方法相比,大大提高了预测精度,该方法具有一定的实用价值。

建筑物沉降的因素多种多样，因此，采用变形监测技术对沉降量进行监测，利用精度较高的预测模型进行沉降量预测预警很有意义。为了提高建筑物变形监测的精度以及变形监测预警的准确性，针对gm（1，1）模型和rbf神经网络进行分析，提出灰色rbf神经网络模型。通过对某建筑物的沉降监测数据进行实例计算，结果显示灰色rbf神经网络模型具有较高的预测精度。

交通运输量预测是公路规划与管理中的重要问题.结合灰色理论模型与神经网络的优点,基于不同的组合预测思想分别建立了加权算术平均组合、加权平方和平均组合及加权比例平均组合预测模型.利用不同的评价模型对多组数据进行了评价分析研究.结果表明,通过选择合适的组合预测模型及参数估计方法并确定最佳的模型参数,能够有效地提高预测精度.

介绍灰色神经网络模型的建模原理和方法,并采用该模型对实际的监测数据进行处理和分析。结果表明,灰色神经网络模型能够在小样本、贫信息和波动数据序列等情况下对变形监测数据做出比较准确的模拟和预报,从而能够为变形监测的数据处理提供一种较好的方法,能够满足实际应用的需求。

以浙江省公路货运量历史数据为例,考虑到影响货运量主要因素,采用灰色神经网络模型gnnm(1,n)进行预测,并与灰色模型gm(1,n)和神经网络预测结果相比较。计算结果表明:该方法在预测公路物流需求量具有有效性;在灰色模型gm(1,n)预测时,通过比较紧邻均值生成序列的生成系数α对预测精度的影响,选取了最优值进行计算从而提高了灰色模型的预测精度。

在城市地下工程建设中,深基坑开挖引起的周围地表土沉降问题越来越受到人们的重视。地表沉降将引起邻近建、构筑物破坏,从而造成经济损失。因此,预测基坑周围土体未来一段时间的沉降,对及时采取治理措施具有重要意义。文章针对gm(1,1)模型地面沉降预测精度较低的问题,利用神经网络对灰色预测模型进行组合,生成灰色神经网络模型,并进行预测分析,结果表明,利用灰色神经网络模型预测的沉降值,比单独的灰色gm(1,1)模型预测的沉降值具有更高的精度。

本文将灰色理论引入交通预测中进行建模,并在某高速上进行实例分析,该方法具有较高的可靠性和实用性.

针对具有跳跃性的中长时数据预测,提出一种改进加权灰色gm(1,1)模型对高速公路收费站交通量进行预测.将原始交通量数据经过1阶弱化和1-ago处理后,利用灰色关联度对初始值的取值进行加权优化,同时对背景值采取光滑优化处理,从而组合成新型灰色gm(1,1)模型.应用某收费站实际交通量统计数据来验证新型灰色gm(1,1)模型算法预测准确性,结果表明:改进加权灰色gm(1,1)模型具有更好的适用性和准确性.

水资源利用评价与趋势预测是当前水资源研究的热点问题.运用生态足迹方法计算了广西1997~2014年的水资源生态足迹、水资源生态承载力和水资源生态盈余,在此基础上,采用灰色神经网络模型进行动态模拟并预测其2015~2019年的发展趋势.结果表明:①1997~2014年,广西人均水资源生态足迹和水资源生态承载力总体均呈下降态势,但前者的降幅明显小于后者;历年水资源均表现为生态盈余但总体呈下降走势,表明该地区水资源利用处于可持续状态但面临逐渐转向不可持续的威胁.②2015~2019年的人均水资源生态足迹将维持在0.9~1.1hm2左右,其走向是先升后降;人均水资源生态承载力将保持在1.8~2.3hm2左右,波动明显;人均水资源生态盈余介于0.7~1.3hm2之间,水资源利用仍将处于可持续状态,但可持续开发利用空间相较之前明显缩小.③与常用的灰色模型相比,灰色神经网络模型模拟精度具备明显优势并具有很强的内插拟合能力和较好的外推预测能力,可应用于同类问题的预测分析.

bp神经网络-灰色系统联合模型预测软基沉降量——目前软基沉降预测多采用指数曲线和双曲线延伸法，其结果不够理想，神经网络在此方面的运用也存在一定的局限，虽然gm(1，1)模型在软基沉降预测领域已得到运用，但在已有的案例中所使用的等时距模型都没有明确说明...

1.引言神经网络是一种信息处理系统,它由大量而简单的处理单元(神经元)广泛的相连接而形成复杂系统,它通过学习来解决问题,基坑沉降的预测是一项难以通过理论分析出影响因素与沉降结果映射关系的工作,而这项工作如果交

针对bp神经网络、rbf神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。

首次提出了一种基于hht和神经网络组合的预测模型。负荷数据首先经过emd分解,得到一系列imf分量及余项,通过各分量的频谱观察,针对低频imf分量规律性及周期性强,高频分量相对较弱的特点,对低频imf分量选择合适的预测模型直接进行预测,高频imf采用多神经网络组合预测方法。仿真结果表明,文中提出的预测模型的精度高于任一单一模型,并且高于传统的线性组合预测模型。